风储孤网系统小干扰稳定性分析研究

从电力系统运行的一般原理出发,开展风储孤网系统小信号稳定和动态稳定的研究,保障局部地区供电可靠性。基于特征值分析法和李亚普诺夫线性系统稳定性判据,对风储孤网系统小干扰稳定性问题进行了研究。提出风储孤网系统储能单元基于下垂控制模式的储能逆变器控制策略,并根据风储孤网系统各模块的控制策略建立相应的数学模型;基于特征值分析法进行风储孤网系统各模块数学模型的小干扰稳定性分析,并根据李亚普诺夫线性系统稳定性判据进行风储孤网系统的稳定性判断;基于MATLAB/Simulink仿真平台搭建风储孤网系统仿真模型,通过仿真验证了风储孤网系统能够实现稳定运行,与小干扰稳定性分析得出的结论一致。研究成果可为风储孤网系统的运行稳定性研究提供理论参考。     

某民用飞机显示系统仿真器的设计与实现

航电系统仿真平台以其灵活方便和低成本特点,支持综合航电系统的预先研究、方案设计、详细设计、系统综合,成为综合航电系统研制过程中不可或缺的设计手段。给出了IMA系统仿真平台显示系统仿真器的详细的设计和实现方案,首先介绍了IMA系统仿真平台的组成,接着介绍了显示系统仿真器的组成架构,并对显示系统仿真器的硬件配置、航电网络配置、人机交互界面和逻辑处理进行了详细的介绍。最后经过IMA系统仿真试验样件验收测试程序的测试,验证了显示系统仿真器满足验收测试程序的各项功能和性能要求,满足了该型号显示系统仿真器的试验要求。     

基于BP神经网络的飞行训练品质评估

为了弥补现有飞行训练品质评估系统存在的不足,本文提出利用飞行员生理信号和飞行操作参数来构建评估指标体系。建立了基于BP神经网络的飞行员飞行训练品质评估模型,通过已完成训练的网络的权值分布计算出各输入指标对最后评分结果的影响,并通过算例分析检验了该模型的可靠性。检验结果表明:经BP神经网络模型训练得到的结果和样本的专家评分基本吻合,选取的评价指标有效,该评估模型能够有效地将飞行员生理信号与飞行训练参数相结合,对飞行员的飞行训练品质进行评价。     

基于小波变换和神经网络的直升机旋翼不平衡故障诊断方法

依据直升机旋翼不平衡故障空间与多点机体振动空间存在一对一映射关系的理论,采用某旋翼试验台设置桨距不平衡、质量不平衡以及后缘调整片不平衡的方法获取试验数据。利用小波变换和神经网络处理直升机机体振动信号,并对直升机旋翼单故障和复合故障进行诊断。最终实现了一种利用小波变换处理机体振动信号诊断旋翼不平衡故障的方法。     

复合材料带缠绕成型过程建模及工艺参数优化

复合材料带缠绕成型过程中,成型工艺参数的选取决定了缠绕制品的性能。采用正交实验法研究各工艺参数对缠绕制品层间剪切强度的影响规律和敏感度,并将正交试验数据与神经网络理论相结合,对带缠绕成型过程进行建模,得到缠绕成型工艺参数与层间剪切强度之间的非线性映射关系,并通过实验验证了模型的可靠性。在此基础上,利用粒子群优化方法在可行工艺参数域内对缠绕成型工艺参数进行优化。仿真与实验结果表明,基于神经网络模型的工艺参数粒子群优化算法能够快速、准确的得到带缠绕成型的全局最优工艺参数组合。使得缠绕制品层间剪切强度达到最优的工艺参数组合为:加热温度115℃,缠绕张力357 N,压辊压力1006 N和缠绕速度0.28 m/s,在最优工艺参数作用下,缠绕制品的层间剪切强度达到102.2 MPa。     

基于CenterNet的航空遥感图像目标检测

为实现高精度的航空图像目标检测,将Anchor free的目标检测算法CenterNet应用到检测中,同时使用Resnet50主干网络,并引入CIoU损失替代原有损失函数对网络模型做出了改进。改进后的算法在RSOD与DIOR数据集上进行测试,结果显示在保证网络轻量化的前提下检测精度有明显的提高,证明了算法在航空目标检测方面的可行性与准确性。     

基于贝叶斯网络的飞机变流器故障诊断决策系统的设计与实现

文章在介绍飞机变流器维修决策特点的基础上,给出了一种基于贝叶斯网络的变流器故障诊断决策系统的软件结构,并分析了模型建造、知识库管理、模型推理、诊断决策、实例收集、模型学习等模块的功能和算法,以实现面向不确定性信息时的诊断决策功能。     

基于DSP的飞机全电刹车模糊神经网络控制系统

介绍了一种基于DSP的飞机全电刹车模糊神经网络控制系统 ,此系统以电作动器取代液压机构。由于不使用液压机构使得系统更加安全 ,同时刹车效率也有所提高。仿真及试验结果显示该系统具有良好的性能 ,达到了设计要求。     

测试技术在网络建设与维护中的应用

本文介绍了测试技术在网络系统中主要包含的内容、实用方法及测试过程。并以以太网为例,具体分析了系统测试的主要项目,并对出现影响网络性能的可能因素给出了解决问题的方法。     

A combined technique of Kalman filter,artificial neural network and fuzzy logic for gas turbines and signal fault isolation

The target of this paper is the performance-based diagnostics of a gas turbine for the automated early detection of components malfunctions. The paper proposes a new combination of multiple methodologies for the performance-based diagnostics of single and multiple failures on a two-spool engine. The aim of this technique is to combine the strength of each methodology and provide a high success rate for single and multiple failures with the presence of measurement malfunctions. A combination of KF (Kalman Filter), ANN (Artificial Neural Network) and FL (Fuzzy Logic) is used in this research in order to improve the success rate, to increase the flexibility and the number of failures detected and to combine the strength of multiple methods to have a more robust solution. The Kalman filter has in his strength the measurement noise treatment, the artificial neural network the simulation and prediction of reference and deteriorated performance profile and the fuzzy logic the categorization flexibility, which is used to quantify and classify the failures. In the area of GT (Gas Turbine) diagnostics, the multiple failures in combination with measurement issues and the utilization of multiple methods for a 2-spool industrial gas turbine engine has not been investigated extensively.This paper reports the key contribution of each component of the methodology and brief the results in the quantification and classification success rate. The methodology is tested for constant deterioration and increasing noise and for random deterioration. For the random deterioration and nominal noise of 0.4%, in particular, the quantification success rate is above 92.0%, while the classification success rate is above 95.1%. Moreover, the speed of the data processing (1.7 s/sample) proves the suitability of this methodology for online diagnostics.